SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN.
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
Julian Supardi, Rz. Abdul Aziz, Syepriansyah
Sekolah Tinggi Manajemen Informatika dan Komputer Darmajaya
Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia 35142
Telp : (0721)-787214 Fax (0721)-700261
Email : julian_sp01@yahoo.com
Abstrak
Teknik identifikasi konvensional untuk mengenali identitas seseorang dengan menggunakan
password atau kartu tidak cukup handal, karena sistem keamanan dapat ditembus ketika
password dan kartu tersebut digunakan oleh pengguna yang tidak berwenang
Penelitian tentang identifikasi biometrik dengan jaringan syaraf tiruan telah banyak dilakukan,
terutama terhadap sidik jari. hasil penelitian terhadap sidik jari tersebut diperoleh ketepatan
hingga 95 % (Minarni,2004). Permasalahannya bagaimana dengan objek yang berada pada
posisi tertentu yang citra sidik jarinya tidak dapat diambil.
Pengujian terhadap sistem ini dilakukan dengan dua tipe image, yakni image yang diperoleh
dari kamera digital Sonny (manual) dan image yang diperoleh dengan Web Cam GE-HO98063
yang terhubung langsung dengan sistem (live). Hasil yang diperoleh adalah sistem dapat
mengenali wajah dari image yang diperoleh dari kamera digital sonny dengan ketepatan 95 %,
sedangkan image yang diperoleh dari Web Cam GE-HO98063 dengan 67 %.
I. Pendahuluan
I.1. Latar Belakang
Wajah adalah representasi stimulasi visual yang
kompleks, multidimensional dan penuh makna.
Teknik identifikasi konvensional untuk mengenali
identitas
seseorang
dengan
menggunakan
password atau kartu tidak cukup handal, karena
sistem keamanan dapat ditembus ketika password
dan kartu tersebut digunakan oleh pengguna yang
tidak berwenang.
Membangun model komputasi pengenalan wajah
dengan tingkat kepercayaan yang tinggi adalah
pekerjaan yang sulit. Hal ini dikarenakan citra
wajah sangat dipengaruhi oleh Distorsi Kamera
dan noise, kimpleksitas latar belakang, iluminasi,
translasi, rotasi, skala, ekspresi wajah, tata rias dan
gaya rambut.
Teknik identifikasi biometrik didasarkan pada
karakteristik alami manusia, yaitu karakteristik
fisiologis dan karakteristik perilaku seperti wajah,
sidikjari, suara, telapak tangan, iris dan retina
mata, DNA, dan tandatangan. Identifikasi
biometrik memiliki keunggulan dibanding dengan
metode konvensional dalam hal tidak mudah
dicuri atau digunakan oleh pengguna yang tidak
berwenang.
Distorsi kamera dan noise adalah variasi yang
umumnya pasti terjadi dalam masalah pengenalan
wajah manusia dan dapat diatasi dengan
peningkatan
signal-to-noise
ratio.
Untuk
mengatasi permasalahn latarbelakang yang
kompleks diperlukan pendeteksi wajah untuk
mengisolasi objek dengan bagian lain dari citra.
Iluminasi juga kadang menjadi masalah yang
utama dalam pengenalan citra wajah, untuk
mengurangi akibat iluminasi ini dapat digunakan
teknik-teknik image-ecnhanchemnt (dynamic
tresholding, histogram equalization, self-quotientimage), eigenfaces atau algoritama fisherface.
Permasalahan variasi translasi, rotasi, skala,
ekspresi wajah, tata rias dan gaya rambut dapat
diatasi pada tahap proses deteksi wajah
menggunakan algoritma image-pyramid, imagealignment atau dengan cara membatasi hanya pada
sebagian daerah frontal citra wajah yang
signifikan. (Shang-Hung Lin,2000).
Penelitian tentang identifikasi biometrik dengan
jaringan syaraf tiruan telah banyak dilakukan,
terutama terhadap sidik jari.
Bahkan hasil
penelitian terhadap sidik jari tersebut diperoleh
ketepatan hingga 95 % (Minarni,2004).
Permasalahannya adalah identifikasi terhadap
sidik jari baru bisa diterapkan jika objek yang
ingin diidentifikasi didapatkan citra sidik jarinya.
Jika objek berada dalam posisi tertentu maka
identifikasi terhadap sidik jari sudah tidak dapat
dilakukan lagi. Penelitian ini ingin mencoba cara
lain dalam melakukan mengidentifikasi, yakni
dengan menggunakan wajah sebagai objek
penelitian.
I. 2. Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Mempelajari teknik pengolahan citra untuk
masukan jaringan syaraf tiruan
2. Membangun Sistem Pengenal Wajah dengan
Jaringan Syaraf Tiruan
3. Menguji kemampuan Sistem Pengenal Wajah
dengan Jaringan Syaraf Tiruan
I.3. Asumsi
Asumsi-asumsi yang dipakai dalam penelitian ini
adalah sebagai berikut:
1. Citra masukan yang digunakan adalah true
color 24 Bit.
2. Wajah yang akan dikenali adalah wajah yang
menghadap ke depan (frontal), dalam posisi
tegak, dan tidak terhalangi oleh objek lain.
3. Latar belakang citra tidak kompleks, noise dan
distorsi kamera minimal
4. Iluminasi, ekspresi wajah, gaya, make-up dan
bentuk rambut diambil dengan variasi yang
rendah
II. Landasan Teori
2.1 Pra-pengolahan Citra
Pra-pengolahan citra bertujuan untuk mengubah
dan mempersiapkan nilai-nilai piksel citra digital
agar menghasilkan bentuk yang lebih cocok untuk
operasi berikutnya. Pra pengolahan citra yang
dilakukan pada penelitian ini adalah Gray Scale,
Equalization,
Croping,
Penghalusan,
dan
Segmentasi.
2.2. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan merupakan model
pemrosesan informasi yang dikembangkan
berdasarkan prinsip kerja sistem syaraf otak
manusia. Sebagai model maka JST memiliki
komponen-komponen, yakni komponen masukan,
fungsi sumasi, fungsi aktivasi, dan komponen
keluaran.
Seperti halnya otak manusia, JST akan dapat
menyelesaikan masalah apabila pengetahuan yang
berkaitan dengan masalah tersebut dimiliki.
Pengetahuan di dalam JST diperoleh melalui
proses pembelajaran.. Dalam rangka pembelajaran
terhadap JST ini terdapat beberapa metode yang
dapat digunakan, salah satunya adalah dengan
algoritma backpropagation yang diberikan dalam
tabel 1.1 berikut:
Tabel 1.1: Algoritma Backpropagation
Langkah
Aksi
0
Inisialisasi bobot untuk bilangan acak yang kecil
1
While (kondisi berhenti salah)
{
For (masing-masing training patern)
{
for (i= 1 to n)
xi
2
{ Set semua
For (j=1,2, . . ,p){
z in j =
}
n
∑
i =1
x i v ij
z j = f ( z in j )
}
,
3
For (k=1,2,.., m){
p
y in k
III. Pengembangan Sistem
III.1. Arsitektur Sistem
∑
z j w jk
j=0
=
y k = f ( y in k )
Arsitektur Sistem Pengenal Wajah dipeliahatkan
oleh Gambar 3.1.
}
δ
4
= ( t k − y k ) f ' ( y in k )
k
∇w
5
jk
= αδ
k
z
j
Objek
m
δ
j
= f ' ( z in ) ∑ δ
k =1
k
w
jk
∇ v ij = αδ j x i
w
jk
( baru ) = w
v ij ( baru
}/*end for*/
}/* end while
jk
( lama ) + ∇ w
) = v ij ( lama
jk
) + ∇ v ij
Setelah tahap pembelajaran selesai dilakukan,
maka JST siap digunakan. Penggunaan JST ini
dinamakan dengan pengujian atau pemakaian.
Untuk melakukan pengujian ini, maka algoritma
yang dipakai harus disesuaikan dengan algoritma
yang digunakan pada saat pembelajaran.
Algoritma
backpropagation
untuk
tahap
pemakaian atau pengujian adalah sebagai berikut :
Tabel 1. 2: Algoritma backpropagation untuk
tahap pengujian
Langkah
Aksi
0
Inisialisasi bobot v dan w dari algoritma training
1
For (setiap vektor masukan) {
For (i=1 to n) { Set semua x i
2
For (j=1 to p) {
z in j =
n
∑
i =1
x i v ij
z j = f ( z in j )
}
3
For (k=1 to m) {
y
in
k
=
p
∑
j=0
z jw
y k = f ( y in k
}
} /*end for */
jk
JST
Normalisasi
6
}
Kamera
File
Data
Pra
proses
Klasifikasi
GAMBAR 3.1. ARSITEKTUR SISTEM
Objek
Objek yang diambil dalam penelitian ini adalah
objek yang mengandung wajah dengan kriteria,
yaitu : Wajah tidak terhalang oleh objek lain,
wajah frontal menghadap ke depan dengan
berbagai expresi, citra wajah diambil dengan
jarak, pencahayaan, efek dan skala yang sama.
Kamera
Untuk mendapatkan citra yang dapat diolah oleh
komputer maka digunakan kamera digital,
pengambilan citra wajah dengan kamera
digunakan pengaturan yang sama pada brightnes,
kekontrasan, perbesaran dan beberapa efek lain
pada image.
File Data
Image wajah yang sudah di ambil disimpan ke
dalam file data, yang dalam hal ini dibagi menjadi
dua macam, yakni file wajah untuk pelatihan dan
file wajah untuk pengujian.
Praproses data
Hasil yang didapat dari kamera masih berupa citra
yang terdiri dari beberapa objek sehingga perlu
diadakan pemilahan citra agar tiap citra hanya
terdiri dari wajah saja. Citra wajah hasil
Pemotretan dari kamera harus melalui proses
pengolahan citra untuk mendapatkkan data
inputan Jaringan Syaraf tiruan. Proses pengolahan
citra yang dilakukan dalam penelitian ini adalah:
Gray Scale, Equalization, Croping, Penghalusan,
dan Segmentasi
Normalisasi data
Sebelum
dimasukkan
ke
JST
data
dinormalisasikan agar bernilai antara 0 sampai
dengan 1. Karena input ke Jaringan saraf tiruan
berupa nilai rata segmen atau tingkat greyscale
tiap segmen dari bagian wajahnya saja maka untuk
menormalisasikan rata segmen dibagi dengan
tingkat greyscale yang paling tinggi pada bagian
wajah.
Jaringan Syaraf Tiruan
a. Arsitektur Jaringan
Banyak unit pada lapisan masukan tergantung
pada jumlah segmen dari wajah. Banyaknya
ukuran unit pada lapisan hidden dipilih 1 unit.
Jumlah unit pada lapisan output terdiri dari satu
unit.
f(x)
x
GAMBAR 3.3 FUNGSI SIGMOID BINER.
c. Pembelajaran
Dengan melakukan proses latihan yang berulangulang maka diperoleh parameter sebagai berikut:
Harga nilai error minimum : 0,0015
Harga konstanta belajar (α) : 0,5
Harga momentum (µ) : 0,5
Harga bobot awal Vij : random antara –0,1
sampai 0,4
Harga bobot awal Wjk : random antara –0,1
sampai 0,4
Iterasi maksimum
: 1000
d. Pendukung
Sistem pengenal wajah ini didukung oleh dua
tabel, yakni. Tabel Pertama adalah tabel identitas.
Tabel ini akan mengkaitkan wajah yang diambil
oleh kamera dengan identitas kepemilikan wajah
tersebut, yang akan diteruskan sebagai input ke
jaringan syaraf tiruan. Sedangkan Tabel kedua
yang digunakan untuk proses pelatihan adalah
tabel ParamLatih Pada tabel ParamLatih ini
terdapat beberapa subyek dengan 2 ekspresi yang
berbeda-beda.
Klasifikasi
Gambar 3.2 Arsitektur jaringan
b. Fungsi Aktivasi
Fungsi aktivasi jaringan yang dipilih sebagai
elemen pemrosesan untuk menyatakan keluaran
dari jaringan adalah fungsi sigmoid biner yang
dinyatakan oleh persamaan:
1
f ( x) =
dan f ' ( x) = f ( x)[1 − f ( x)]
1 + exp(− x)
Data yang dihasilkan dari proses pelatihan adalah
parameter-parameter untuk lapisan tersembunyi
dan bobot antara hidden dan lapisan keluaran.
Parameter-parameter tersebut disimpan ke dalam
bentuk pengetahuan. Selanjutnya akan digunakan
untuk proses pengenalan wajah.
IV. Hasil dan Pembahasan
Penelitian dilakukan dengan materi utama
berupa sekumpulan citra wajah yang berukuran
185 x 185 pixel yang diperoleh dari Kamera
Digital Sony.
IV.1. Pelatihan
Citra yang digunakan untuk pelatihan berjumlah
100 citra dengan dua expresi, yakni expresi
normal dan expresi tidak normal. Dari dua expresi
tersebut dapat diperoleh Histogram dan nilai
keabuan tiap pixel
Gambar 4.5. dan nilai
Histoqual (pemerataan intinsitas warna) Gambar
4.6.
Gambar 4.1 Histogram
IV.1. Pengujian
Pengujian terhadap sistem ini dilakukan dengan
dua tipe image, yakni image yang diperoleh dari
kamera digital Sonny (manual) dan image yang
diperoleh dengan Web Cam GE-HO98063 yang
terhubung langsung dengan sistem (live). Hasil
yang diperoleh adalah sistem dapat mengenali
wajah dari image yang diperoleh dari kamera
digital sonny dengan ketepatan 95 %, sedangkan
image yang diperoleh dari Web Cam GEHO98063 dengan 67 %.
V. Kesimpulan dan Saran
V.1. Kesimpulan
Sistem Pengenal Wajah Dengan Jaringan Syaraf
Tiruan telah dapat mengenali wajah dengan
ketepatan 95 % dari kamera yang sama dengan
saat pelatihan, tetapi ketepatan akan menurun
apabila kualitas image yang digunakan lebih
rendah dibandingkan saat pelatihan.
V.2. Saran
Image yang dihasilkan dari Web Cam GEHO98063 kualitasnya tidak sebaik image yang
dihasilkan oleh kamera digital. Karena itu untuk
penerapan dalam bentuk live ketepatan pengenalan
mungkin akan meningkat apabila digunakan Web
Cam dengan spesifikasi yang lebih tinggi.
Gambar 4.2 Histoqual
Data hasil pelatihan JST dan data hasil validasi
dari proses pelatihan, diperlihatkan pada gambar
4.3
Daftar Refrensi
Balza Achmad, Kartika Firdausy. Teknik
Pengolahan Citra Digital menggunakan
Delphi 2005. Ardi Publishing: Yokyakarta
Fausett, Laurence, 1994,
Foundamentals of
Neural Networks, Englewoods Cliff : Prentice
Hall.
Kristanto Andri, Jaringan Syaraf Tiruan (Konsep
Dasar Algoritma dan aplikasinya) 2004,
Yokyakarta : Gava Media
Gambar 4.3 Data Hasil Pelatihan
Minarni. Klasifikasi Sidikjari Dengan Pemrosesan
Awal Transformasi Wavelet. 2004. Transmisi,
Vol. 8, No. 2, Desember 2004 : 37 – 41
Setiawan Kuswara, Paradigma Sistem Cerdas.
2003 Bayumedia Publishing, Malang.
Siang Jong Jek, Dr. Jaringan Syaraf Tiruan Dan
Pemograman Menggunakan Matlab. 2004. PT
ANDI Yokyakarta. Jokjakarta
Simon Hykin. Neural Network : A Comprehensive
Foundation. 1999. Prentice-Hall,Inc, Ney
Jersey.
Subekti, R. Muhammad. Perbaikan Metode
Backpropagation untuk Pelatihan Jaringan
Syaraf Tiruan Multilayer. Makalah
Purwadhi, F. Sri Hardiyanti. Intrepretasi Citra
Digital. 2001. PT. Gramedia Widiasarana
Indonesia.
Van Der Heijden,F, 1995, Image Based
Measurement System, State University Of New
York a buffalo, USA
http://logicalgenetics.com/
http://www.ies.eepis-its.edu/ies2004paper
http://www.neobee.net/~ilicv
http://www.cs.cf.ac.uk/Dave/Vision_lecture
http://www.face-rec.org/
http://www2.psy.uq.edu.au/~brainwav/Manual/
Julian Supardi, Rz. Abdul Aziz, Syepriansyah
Sekolah Tinggi Manajemen Informatika dan Komputer Darmajaya
Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia 35142
Telp : (0721)-787214 Fax (0721)-700261
Email : julian_sp01@yahoo.com
Abstrak
Teknik identifikasi konvensional untuk mengenali identitas seseorang dengan menggunakan
password atau kartu tidak cukup handal, karena sistem keamanan dapat ditembus ketika
password dan kartu tersebut digunakan oleh pengguna yang tidak berwenang
Penelitian tentang identifikasi biometrik dengan jaringan syaraf tiruan telah banyak dilakukan,
terutama terhadap sidik jari. hasil penelitian terhadap sidik jari tersebut diperoleh ketepatan
hingga 95 % (Minarni,2004). Permasalahannya bagaimana dengan objek yang berada pada
posisi tertentu yang citra sidik jarinya tidak dapat diambil.
Pengujian terhadap sistem ini dilakukan dengan dua tipe image, yakni image yang diperoleh
dari kamera digital Sonny (manual) dan image yang diperoleh dengan Web Cam GE-HO98063
yang terhubung langsung dengan sistem (live). Hasil yang diperoleh adalah sistem dapat
mengenali wajah dari image yang diperoleh dari kamera digital sonny dengan ketepatan 95 %,
sedangkan image yang diperoleh dari Web Cam GE-HO98063 dengan 67 %.
I. Pendahuluan
I.1. Latar Belakang
Wajah adalah representasi stimulasi visual yang
kompleks, multidimensional dan penuh makna.
Teknik identifikasi konvensional untuk mengenali
identitas
seseorang
dengan
menggunakan
password atau kartu tidak cukup handal, karena
sistem keamanan dapat ditembus ketika password
dan kartu tersebut digunakan oleh pengguna yang
tidak berwenang.
Membangun model komputasi pengenalan wajah
dengan tingkat kepercayaan yang tinggi adalah
pekerjaan yang sulit. Hal ini dikarenakan citra
wajah sangat dipengaruhi oleh Distorsi Kamera
dan noise, kimpleksitas latar belakang, iluminasi,
translasi, rotasi, skala, ekspresi wajah, tata rias dan
gaya rambut.
Teknik identifikasi biometrik didasarkan pada
karakteristik alami manusia, yaitu karakteristik
fisiologis dan karakteristik perilaku seperti wajah,
sidikjari, suara, telapak tangan, iris dan retina
mata, DNA, dan tandatangan. Identifikasi
biometrik memiliki keunggulan dibanding dengan
metode konvensional dalam hal tidak mudah
dicuri atau digunakan oleh pengguna yang tidak
berwenang.
Distorsi kamera dan noise adalah variasi yang
umumnya pasti terjadi dalam masalah pengenalan
wajah manusia dan dapat diatasi dengan
peningkatan
signal-to-noise
ratio.
Untuk
mengatasi permasalahn latarbelakang yang
kompleks diperlukan pendeteksi wajah untuk
mengisolasi objek dengan bagian lain dari citra.
Iluminasi juga kadang menjadi masalah yang
utama dalam pengenalan citra wajah, untuk
mengurangi akibat iluminasi ini dapat digunakan
teknik-teknik image-ecnhanchemnt (dynamic
tresholding, histogram equalization, self-quotientimage), eigenfaces atau algoritama fisherface.
Permasalahan variasi translasi, rotasi, skala,
ekspresi wajah, tata rias dan gaya rambut dapat
diatasi pada tahap proses deteksi wajah
menggunakan algoritma image-pyramid, imagealignment atau dengan cara membatasi hanya pada
sebagian daerah frontal citra wajah yang
signifikan. (Shang-Hung Lin,2000).
Penelitian tentang identifikasi biometrik dengan
jaringan syaraf tiruan telah banyak dilakukan,
terutama terhadap sidik jari.
Bahkan hasil
penelitian terhadap sidik jari tersebut diperoleh
ketepatan hingga 95 % (Minarni,2004).
Permasalahannya adalah identifikasi terhadap
sidik jari baru bisa diterapkan jika objek yang
ingin diidentifikasi didapatkan citra sidik jarinya.
Jika objek berada dalam posisi tertentu maka
identifikasi terhadap sidik jari sudah tidak dapat
dilakukan lagi. Penelitian ini ingin mencoba cara
lain dalam melakukan mengidentifikasi, yakni
dengan menggunakan wajah sebagai objek
penelitian.
I. 2. Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Mempelajari teknik pengolahan citra untuk
masukan jaringan syaraf tiruan
2. Membangun Sistem Pengenal Wajah dengan
Jaringan Syaraf Tiruan
3. Menguji kemampuan Sistem Pengenal Wajah
dengan Jaringan Syaraf Tiruan
I.3. Asumsi
Asumsi-asumsi yang dipakai dalam penelitian ini
adalah sebagai berikut:
1. Citra masukan yang digunakan adalah true
color 24 Bit.
2. Wajah yang akan dikenali adalah wajah yang
menghadap ke depan (frontal), dalam posisi
tegak, dan tidak terhalangi oleh objek lain.
3. Latar belakang citra tidak kompleks, noise dan
distorsi kamera minimal
4. Iluminasi, ekspresi wajah, gaya, make-up dan
bentuk rambut diambil dengan variasi yang
rendah
II. Landasan Teori
2.1 Pra-pengolahan Citra
Pra-pengolahan citra bertujuan untuk mengubah
dan mempersiapkan nilai-nilai piksel citra digital
agar menghasilkan bentuk yang lebih cocok untuk
operasi berikutnya. Pra pengolahan citra yang
dilakukan pada penelitian ini adalah Gray Scale,
Equalization,
Croping,
Penghalusan,
dan
Segmentasi.
2.2. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan merupakan model
pemrosesan informasi yang dikembangkan
berdasarkan prinsip kerja sistem syaraf otak
manusia. Sebagai model maka JST memiliki
komponen-komponen, yakni komponen masukan,
fungsi sumasi, fungsi aktivasi, dan komponen
keluaran.
Seperti halnya otak manusia, JST akan dapat
menyelesaikan masalah apabila pengetahuan yang
berkaitan dengan masalah tersebut dimiliki.
Pengetahuan di dalam JST diperoleh melalui
proses pembelajaran.. Dalam rangka pembelajaran
terhadap JST ini terdapat beberapa metode yang
dapat digunakan, salah satunya adalah dengan
algoritma backpropagation yang diberikan dalam
tabel 1.1 berikut:
Tabel 1.1: Algoritma Backpropagation
Langkah
Aksi
0
Inisialisasi bobot untuk bilangan acak yang kecil
1
While (kondisi berhenti salah)
{
For (masing-masing training patern)
{
for (i= 1 to n)
xi
2
{ Set semua
For (j=1,2, . . ,p){
z in j =
}
n
∑
i =1
x i v ij
z j = f ( z in j )
}
,
3
For (k=1,2,.., m){
p
y in k
III. Pengembangan Sistem
III.1. Arsitektur Sistem
∑
z j w jk
j=0
=
y k = f ( y in k )
Arsitektur Sistem Pengenal Wajah dipeliahatkan
oleh Gambar 3.1.
}
δ
4
= ( t k − y k ) f ' ( y in k )
k
∇w
5
jk
= αδ
k
z
j
Objek
m
δ
j
= f ' ( z in ) ∑ δ
k =1
k
w
jk
∇ v ij = αδ j x i
w
jk
( baru ) = w
v ij ( baru
}/*end for*/
}/* end while
jk
( lama ) + ∇ w
) = v ij ( lama
jk
) + ∇ v ij
Setelah tahap pembelajaran selesai dilakukan,
maka JST siap digunakan. Penggunaan JST ini
dinamakan dengan pengujian atau pemakaian.
Untuk melakukan pengujian ini, maka algoritma
yang dipakai harus disesuaikan dengan algoritma
yang digunakan pada saat pembelajaran.
Algoritma
backpropagation
untuk
tahap
pemakaian atau pengujian adalah sebagai berikut :
Tabel 1. 2: Algoritma backpropagation untuk
tahap pengujian
Langkah
Aksi
0
Inisialisasi bobot v dan w dari algoritma training
1
For (setiap vektor masukan) {
For (i=1 to n) { Set semua x i
2
For (j=1 to p) {
z in j =
n
∑
i =1
x i v ij
z j = f ( z in j )
}
3
For (k=1 to m) {
y
in
k
=
p
∑
j=0
z jw
y k = f ( y in k
}
} /*end for */
jk
JST
Normalisasi
6
}
Kamera
File
Data
Pra
proses
Klasifikasi
GAMBAR 3.1. ARSITEKTUR SISTEM
Objek
Objek yang diambil dalam penelitian ini adalah
objek yang mengandung wajah dengan kriteria,
yaitu : Wajah tidak terhalang oleh objek lain,
wajah frontal menghadap ke depan dengan
berbagai expresi, citra wajah diambil dengan
jarak, pencahayaan, efek dan skala yang sama.
Kamera
Untuk mendapatkan citra yang dapat diolah oleh
komputer maka digunakan kamera digital,
pengambilan citra wajah dengan kamera
digunakan pengaturan yang sama pada brightnes,
kekontrasan, perbesaran dan beberapa efek lain
pada image.
File Data
Image wajah yang sudah di ambil disimpan ke
dalam file data, yang dalam hal ini dibagi menjadi
dua macam, yakni file wajah untuk pelatihan dan
file wajah untuk pengujian.
Praproses data
Hasil yang didapat dari kamera masih berupa citra
yang terdiri dari beberapa objek sehingga perlu
diadakan pemilahan citra agar tiap citra hanya
terdiri dari wajah saja. Citra wajah hasil
Pemotretan dari kamera harus melalui proses
pengolahan citra untuk mendapatkkan data
inputan Jaringan Syaraf tiruan. Proses pengolahan
citra yang dilakukan dalam penelitian ini adalah:
Gray Scale, Equalization, Croping, Penghalusan,
dan Segmentasi
Normalisasi data
Sebelum
dimasukkan
ke
JST
data
dinormalisasikan agar bernilai antara 0 sampai
dengan 1. Karena input ke Jaringan saraf tiruan
berupa nilai rata segmen atau tingkat greyscale
tiap segmen dari bagian wajahnya saja maka untuk
menormalisasikan rata segmen dibagi dengan
tingkat greyscale yang paling tinggi pada bagian
wajah.
Jaringan Syaraf Tiruan
a. Arsitektur Jaringan
Banyak unit pada lapisan masukan tergantung
pada jumlah segmen dari wajah. Banyaknya
ukuran unit pada lapisan hidden dipilih 1 unit.
Jumlah unit pada lapisan output terdiri dari satu
unit.
f(x)
x
GAMBAR 3.3 FUNGSI SIGMOID BINER.
c. Pembelajaran
Dengan melakukan proses latihan yang berulangulang maka diperoleh parameter sebagai berikut:
Harga nilai error minimum : 0,0015
Harga konstanta belajar (α) : 0,5
Harga momentum (µ) : 0,5
Harga bobot awal Vij : random antara –0,1
sampai 0,4
Harga bobot awal Wjk : random antara –0,1
sampai 0,4
Iterasi maksimum
: 1000
d. Pendukung
Sistem pengenal wajah ini didukung oleh dua
tabel, yakni. Tabel Pertama adalah tabel identitas.
Tabel ini akan mengkaitkan wajah yang diambil
oleh kamera dengan identitas kepemilikan wajah
tersebut, yang akan diteruskan sebagai input ke
jaringan syaraf tiruan. Sedangkan Tabel kedua
yang digunakan untuk proses pelatihan adalah
tabel ParamLatih Pada tabel ParamLatih ini
terdapat beberapa subyek dengan 2 ekspresi yang
berbeda-beda.
Klasifikasi
Gambar 3.2 Arsitektur jaringan
b. Fungsi Aktivasi
Fungsi aktivasi jaringan yang dipilih sebagai
elemen pemrosesan untuk menyatakan keluaran
dari jaringan adalah fungsi sigmoid biner yang
dinyatakan oleh persamaan:
1
f ( x) =
dan f ' ( x) = f ( x)[1 − f ( x)]
1 + exp(− x)
Data yang dihasilkan dari proses pelatihan adalah
parameter-parameter untuk lapisan tersembunyi
dan bobot antara hidden dan lapisan keluaran.
Parameter-parameter tersebut disimpan ke dalam
bentuk pengetahuan. Selanjutnya akan digunakan
untuk proses pengenalan wajah.
IV. Hasil dan Pembahasan
Penelitian dilakukan dengan materi utama
berupa sekumpulan citra wajah yang berukuran
185 x 185 pixel yang diperoleh dari Kamera
Digital Sony.
IV.1. Pelatihan
Citra yang digunakan untuk pelatihan berjumlah
100 citra dengan dua expresi, yakni expresi
normal dan expresi tidak normal. Dari dua expresi
tersebut dapat diperoleh Histogram dan nilai
keabuan tiap pixel
Gambar 4.5. dan nilai
Histoqual (pemerataan intinsitas warna) Gambar
4.6.
Gambar 4.1 Histogram
IV.1. Pengujian
Pengujian terhadap sistem ini dilakukan dengan
dua tipe image, yakni image yang diperoleh dari
kamera digital Sonny (manual) dan image yang
diperoleh dengan Web Cam GE-HO98063 yang
terhubung langsung dengan sistem (live). Hasil
yang diperoleh adalah sistem dapat mengenali
wajah dari image yang diperoleh dari kamera
digital sonny dengan ketepatan 95 %, sedangkan
image yang diperoleh dari Web Cam GEHO98063 dengan 67 %.
V. Kesimpulan dan Saran
V.1. Kesimpulan
Sistem Pengenal Wajah Dengan Jaringan Syaraf
Tiruan telah dapat mengenali wajah dengan
ketepatan 95 % dari kamera yang sama dengan
saat pelatihan, tetapi ketepatan akan menurun
apabila kualitas image yang digunakan lebih
rendah dibandingkan saat pelatihan.
V.2. Saran
Image yang dihasilkan dari Web Cam GEHO98063 kualitasnya tidak sebaik image yang
dihasilkan oleh kamera digital. Karena itu untuk
penerapan dalam bentuk live ketepatan pengenalan
mungkin akan meningkat apabila digunakan Web
Cam dengan spesifikasi yang lebih tinggi.
Gambar 4.2 Histoqual
Data hasil pelatihan JST dan data hasil validasi
dari proses pelatihan, diperlihatkan pada gambar
4.3
Daftar Refrensi
Balza Achmad, Kartika Firdausy. Teknik
Pengolahan Citra Digital menggunakan
Delphi 2005. Ardi Publishing: Yokyakarta
Fausett, Laurence, 1994,
Foundamentals of
Neural Networks, Englewoods Cliff : Prentice
Hall.
Kristanto Andri, Jaringan Syaraf Tiruan (Konsep
Dasar Algoritma dan aplikasinya) 2004,
Yokyakarta : Gava Media
Gambar 4.3 Data Hasil Pelatihan
Minarni. Klasifikasi Sidikjari Dengan Pemrosesan
Awal Transformasi Wavelet. 2004. Transmisi,
Vol. 8, No. 2, Desember 2004 : 37 – 41
Setiawan Kuswara, Paradigma Sistem Cerdas.
2003 Bayumedia Publishing, Malang.
Siang Jong Jek, Dr. Jaringan Syaraf Tiruan Dan
Pemograman Menggunakan Matlab. 2004. PT
ANDI Yokyakarta. Jokjakarta
Simon Hykin. Neural Network : A Comprehensive
Foundation. 1999. Prentice-Hall,Inc, Ney
Jersey.
Subekti, R. Muhammad. Perbaikan Metode
Backpropagation untuk Pelatihan Jaringan
Syaraf Tiruan Multilayer. Makalah
Purwadhi, F. Sri Hardiyanti. Intrepretasi Citra
Digital. 2001. PT. Gramedia Widiasarana
Indonesia.
Van Der Heijden,F, 1995, Image Based
Measurement System, State University Of New
York a buffalo, USA
http://logicalgenetics.com/
http://www.ies.eepis-its.edu/ies2004paper
http://www.neobee.net/~ilicv
http://www.cs.cf.ac.uk/Dave/Vision_lecture
http://www.face-rec.org/
http://www2.psy.uq.edu.au/~brainwav/Manual/